Harnessing Generalist Agents for Contextualized Time Series

摘要：时间序列通常嵌入在丰富的上下文中，这些上下文对于整体建模至关重要。此外，现实世界的从业者通常需要端到端的工作流来分析时间动态，其中广泛研究的任务（如预测）只是更广泛解决方案循环中的一个步骤。虽然通用AI智能体为复杂上下文下的此类工作流提供了有前景的接口，但它们主要仍在文本空间中运行，并未完全与结构化时间信号对齐。在这项工作中，我们引入了TimeClaw，一个面向时间序列的智能体编排框架，它为通用LLM智能体配备了时间序列原生运行时支持，以实现上下文感知的时间推理。TimeClaw集成了可执行的时间工具以进行基于事实且可审计的分析、基于经验的能力演化以创建可复用的分析例程，以及用于检索相关推理轨迹的情景多模态记忆。这些组件共同解锁了带有上下文信息的、开放式的、受编排的时间推理。在涵盖能源、金融、天气、交通及其他现实世界领域的多个基准测试上的广泛评估表明，TimeClaw的性能得到了提升。代码可在此 https URL 获取。